基于深度学习的点云几何有损压缩编码方案性能分析
图像与视频处理
2024-02-09 v1
摘要
本文对三种基于深度学习的点云几何编码方案，特别是 ADLPCC、PCC GEO CNNv2 和 PCGCv2，进行了质量评估。MPEG G-PCC 被用作锚点。此外，还考虑了使用多分辨率查找表的 LUT SR。使用了六组代表景观和物体的点云。由于点云纹理对感知质量有很大影响，本文报告并统计比较了两项在纹理添加模型上有所不同的主观研究。在第一个实验中，数据集首先用所确定的编解码器进行编码。然后，使用 Meshlab 软件将原始点云的纹理映射到解码后的点云上，得到一个同时具有几何和纹理信息的点云。最后，使用 G-PCC 的无损几何-有损属性模式对所得点云进行编码；而在第二个实验中，纹理被直接映射到失真的几何体上。此外，两项主观评估都被用来对一组客观点云质量指标进行基准测试。结果表明，两个实验在统计上存在显著差异，并且所测试的指标对两组数据表现出截然不同的行为。结果揭示，首选的评估方法是在将原始点云的纹理映射到失真点云后，使用 G-PCC 对纹理信息进行编码。结果表明，当前的客观指标不适合评估由基于机器学习的编解码器产生的失真。
引用
@article{arxiv.2402.05192,
title = {Performance analysis of Deep Learning-based Lossy Point Cloud Geometry Compression Coding Solutions},
author = {Joao Prazeres and Rafael Rodrigues and Manuela Pereira and Antonio M. G. Pinheiro},
journal= {arXiv preprint arXiv:2402.05192},
year = {2024}
}